Vocero dicta, escucha reuniones, las resume en actas y tareas, y responde preguntas sobre lo que se dijo. Lo construimos como dos modelos abiertos en cascada, un oído y un cerebro, que adaptaremos al español de Centroamérica y que corren en equipos propios.
Vocero dictates, listens to meetings, summarizes them into minutes and tasks, and answers questions about what was said. We are building it as two open models in a cascade, an ear and a brain, to be adapted to Central American Spanish and run on our own equipment.
Etapa: en desarrollo, uso interno. El modelo propio aún no está entrenado.
Vocero es una cascada, no un único modelo de audio de punta a punta. Cada pieza tiene su propia métrica y se puede medir, corregir o reemplazar por separado. Los comandos de dictado los aplica un motor de reglas, no un modelo de lenguaje. Las salidas pasan por una verificación contra la transcripción y, al final, por una persona.
Vocero is a cascade, not a single end-to-end audio model. Each part has its own metric and can be measured, fixed or replaced on its own. Dictation commands are applied by a rule engine, not by a language model. Outputs are checked against the transcript and, at the end, by a person.
Reconocimiento de voz con puntuación automática en reuniones. En dictado, escribe los comandos como etiquetas (<coma>, <nueva_linea>) en lugar de adivinar.
Speech recognition with automatic punctuation in meetings. In dictation, it writes commands as tags (<coma>, <nueva_linea>) instead of guessing.
Un motor de reglas probado: inserta puntuación, borra o corrige, y todo se puede deshacer. «Entró en coma» no es una coma: solo cuenta como comando en una pausa.
A tested rule engine: inserts punctuation, deletes or corrects, and every action can be undone. "Entró en coma" is not a comma: a word counts as a command only at a pause.
Lee la transcripción y devuelve datos estructurados: acta, tareas con responsable y fecha, y respuestas con la marca de tiempo de donde salen.
Reads the transcript and returns structured data: minutes, tasks with owner and due date, and answers with the timestamp they come from.
Lo que no coincide con la transcripción se marca, no se presenta como hecho. Vocero asiste; una persona revisa y decide.
Anything that does not match the transcript is flagged, not shown as fact. Vocero assists; a person reviews and decides.
| Se dice | Efecto |
|---|
Sintético: guion de ejemplo, no es rendimiento medido.
No entrenamos desde cero: eso requiere miles de GPU. Partimos de modelos abiertos y los ajustamos con datos regionales. Ninguna etapa avanza si no pasa su puerta, y no hay fechas fijas: cada etapa espera a la anterior. Hoy ninguna etapa se ha ejecutado.
We do not train from scratch: that takes thousands of GPUs. We start from open models and adapt them with regional data. No stage moves on until it passes its gate, and there are no fixed dates: each stage waits for the one before. Today no stage has been run.
Correr los modelos base sin tocar, y el motor de dictado que funciona hoy, sobre el conjunto sellado. Error por país y puntaje de actas: la cifra que hay que superar.
Run the untouched base models, and the dictation engine running today, on the sealed set. Error per country and minutes scores: the number to beat.
Reunir, revisar licencias, limpiar y separar por país. El conjunto de evaluación se aparta y se sella antes de cualquier entrenamiento.
Collect, check licenses, clean and split by country. The evaluation set is set aside and sealed before any training.
Ajuste fino de un modelo abierto de voz con audio regional, mezclado con español general para que no olvide lo que ya sabe.
Fine-tune an open speech model on regional audio, mixed with general Spanish so it does not forget what it already knows.
Ajuste por instrucciones (QLoRA) para actas, tareas y respuestas con cita; después, ajuste por preferencias contra invenciones. Preentrenamiento continuo solo si hace falta.
Instruction tuning (QLoRA) for minutes, tasks and cited answers; then preference tuning against invented content. Continued pretraining only if needed.
Fusionar los adaptadores, cuantizar y servir en equipos propios, detrás de un interruptor apagado por defecto.
Merge the adapters, quantize, and serve on our own equipment, behind a switch that is off by default.
Los conjuntos abiertos de voz en español vienen sobre todo de España, México y Sudamérica. Hay muy poco audio abierto de Centroamérica, y sin él el oído no mejora donde importa. Por eso la mayor parte del trabajo real es reunir datos regionales con consentimiento.
Open Spanish speech sets come mostly from Spain, Mexico and South America. There is very little open Central American audio, and without it the ear will not improve where it matters. That is why most of the real work is collecting consented regional data.
Seguir entrenando un modelo ya preentrenado con mucho texto sin etiquetar de la región: documentos públicos, noticias, enciclopedias con licencia. El modelo aprende vocabulario, nombres y giros. No le enseña una tarea. Lo haremos solo si la línea base muestra un vacío de vocabulario que el glosario no resuelve.
Keep training an already pretrained model on a large amount of unlabeled regional text: public documents, news, licensed encyclopedias. The model learns vocabulary, names and turns of phrase. It does not learn a task. We will do it only if the baseline shows a vocabulary gap that the glossary does not fix.
Entrenar con ejemplos etiquetados de la tarea: audio con su transcripción para el oído; transcripción con su acta revisada para el cerebro. Con LoRA solo se entrenan unas matrices pequeñas añadidas al modelo; por eso cabe en una GPU de 24 GB. Un ajuste completo de 8B necesitaría unos 128 GB.
Train on labeled examples of the task: audio with its transcript for the ear; a transcript with its reviewed minutes for the brain. With LoRA only small added matrices are trained, which is why it fits on a 24 GB GPU. A full fine-tune of an 8B model would need about 128 GB.
| Dato | Para qué | Cantidad | Origen posible | Regla |
|---|---|---|---|---|
| Audio de entrenamiento con transcripción | Ajustar el oído al habla salvadoreña | ~20 hestimación de planificación | Hablantes que consienten: lectura con guion y habla espontánea; todas las regiones, edades y géneros | Consentimiento escrito que dice que el audio entrena un modelo |
| Audio de prueba sellado | Medir sin trampas | ~3 hestimación de planificación | Hablantes distintos de los de entrenamiento | Nunca se usa para entrenar; lo guarda un custodio |
| Clips de dictado | Comandos, números, fechas y nombres de la región | por definirsegún el guion | Guiones que escribimos, leídos por hablantes que consienten | Mismo consentimiento que el audio de entrenamiento |
| Texto regional | Vocabulario y nombres para el cerebro | por definirsolo si la línea base lo pide | Documentos públicos y archivos de noticias cuya licencia lo permita | Nota de licencia por fuente; no se extrae de sitios que lo prohíben |
| Ejemplos estilo reunión | Enseñar a escribir actas, tareas y respuestas | milespara todo el programa | Reuniones sintéticas que escribimos; reales solo con consentimiento | Marcadas como sintéticas; una persona aprueba cada ejemplo |
| Español general | Que el oído no olvide lo que ya sabe | existenteconjuntos abiertos | Conjuntos abiertos de voz en español | Licencia revisada y registrada antes de usarlos |
Las horas son estimaciones de planificación, no compromisos ni datos ya reunidos. Hoy no se ha grabado ningún audio para este programa.
Buscamos voces y textos de todo el país, aportados con consentimiento y bajo reglas claras. Lo que se aporte sirve solo para construir y evaluar Vocero.
We are looking for voices and texts from across the country, given with consent and under clear rules. What is contributed is used only to build and evaluate Vocero.
Un banco de pruebas diseñado para medir dictado, transcripción, actas y respuestas por país, calificado a ciegas y con intervalos de confianza. Está en diseño: no se ha grabado audio, no se ha sellado el conjunto y no se ha calificado ningún modelo.
A benchmark designed to measure dictation, transcription, minutes and answers per country, scored blind and with confidence intervals. It is in design: no audio has been recorded, no set has been sealed and no model has been scored.
Sustituciones, borrados e inserciones sobre palabras de referencia, a nivel de corpus. Se publica con y sin tildes.
La misma fórmula sobre caracteres. Útil con nombres propios y palabras locales.
Comas, puntos, saltos de línea, y los signos de apertura ¿ y ¡ como clases propias.
Precisión de comandos en orden, activaciones falsas y comandos escritos en vez de ejecutados.
Dos revisores nativos por país, a ciegas: completitud, exactitud, utilidad y registro. Los desacuerdos se publican.
Cualquier nombre, cifra o decisión que no esté en la transcripción. Nunca decimos «cero».
| País | WER | CER | F1 puntuación | Comandos | Rúbrica actas | Alucinaciones |
|---|
Celdas vacías a propósito: ningún modelo se ha medido todavía. Cuando haya resultados, se publicarán con la versión del banco, la fecha, la lista de sistemas comparados y el método.
Entrenamos y servimos en equipos propios de CareCompile. Las cifras de memoria son objetivos y estimaciones aritméticas, no mediciones; la etapa 0 incluye una prueba corta para confirmarlas antes de cualquier trabajo largo.
We train and serve on CareCompile's own equipment. The memory figures are targets and arithmetic estimates, not measurements; stage 0 includes a short dry run to confirm them before any long job.
Ajuste con QLoRA de un modelo de ~8B y ajuste fino del oído. Estimación para una corrida típica: unos 12 a 15 GB de 24.
Objetivo: cerebro a 5 bits con caché de 8 bits, junto al oído, en una sola tarjeta. Cabe, pero justo: unos 10 GB de 12.
Se eligen con la línea base, por país, en nuestro conjunto sellado. Ningún candidato tiene resultados nuestros todavía.
Estos principios aplican a los datos, al entrenamiento y al uso de Vocero. Cada uno se desarrollará en un documento completo, que publicaremos aquí.
These principles apply to the data, the training and the use of Vocero. Each will be set out in a full document, which we will publish here.
Nadie aporta su voz sin saber para qué se usa. El consentimiento es escrito, claro y específico.
No one contributes their voice without knowing what it is for. Consent is written, clear and specific.
Documento completo: en preparaciónQuienes aportan, y El Salvador, deciden sobre sus datos. No se revenden.
Contributors, and El Salvador, decide about their data. It is never resold.
Documento completo: en preparaciónLos datos sirven solo para construir y evaluar Vocero. Ningún otro uso.
The data is used only to build and evaluate Vocero. No other use.
Documento completo: en preparaciónPublicamos qué datos usamos, cómo medimos y cuáles son los límites del sistema.
We publish what data we use, how we measure, and the system's limits.
Documento completo: en preparaciónNi vigilancia masiva, ni perfilado político, ni identificar personas por la voz sin su consentimiento.
No mass surveillance, no political profiling, no identifying people by their voice without consent.
Documento completo: en preparaciónVocero asiste. Una persona revisa lo que se guarda o se envía, y decide.
Vocero assists. A person reviews what is saved or sent, and decides.
Documento completo: en preparaciónEl español de El Salvador, con voseo, de todas las regiones, edades y géneros. No hay un único español «correcto».
The Spanish of El Salvador, with voseo, from every region, age and gender. There is no single "correct" Spanish.
Documento completo: en preparaciónAuditoría, derecho a retirarse y a borrar, revisión independiente y reporte de incidentes.
Audit, the right to withdraw and delete, independent review, and incident reporting.
Documento completo: en preparación